← 返回 PaperDaily 视觉与图像

告别模糊！频域隐式高斯泼溅让浓雾图像秒变高清，PSNR猛涨

单图去雾一直面临“高频细节丢失”和“物理模型不准”两大难啃的骨头。重庆大学与清华大学合作，将现在大火的3D/2D高斯泼溅改造为一种“隐式”范式，在特征域的频域空间里做文章，还顺手补上了物理模型的短板。这篇工作在多个基准上拿了SOTA，看完之后你会感叹：原来高斯泼溅还能这么玩？

龙哥读论文 阅读 4 查看原文
#图像恢复 #高斯泼溅
告别模糊！频域隐式高斯泼溅让浓雾图像秒变高清，PSNR猛涨
🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header
龙哥推荐理由：
单图去雾一直面临“高频细节丢失”和“物理模型不准”两大难啃的骨头。重庆大学与清华大学合作，将现在大火的3D/2D高斯泼溅改造为一种“隐式”范式，在特征域的频域空间里做文章，还顺手补上了物理模型的短板。这篇工作在多个基准上拿了SOTA，看完之后你会感叹：原来高斯泼溅还能这么玩？

原论文信息如下：
论文标题:
Fi-Gaussian: Frequency-Aware Implicit Gaussian Splatting for Single Image Dehazing

发表日期: 2026年06月

发表单位: 重庆大学（College of Mechanical and Vehicle Engineering）、卡内基梅隆大学、清华大学

原文链接: https://arxiv.org/pdf/2606.16168v1.pdf

去雾新思路：隐式高斯泼溅如何解决高频细节丢失？

图：Fi-Gaussian的封面效果示意，左为有雾图，右为去雾结果。
单张图像去雾，这个老问题已经研究了十几年，从传统先验（如暗通道先验 DCP[4]、颜色衰减先验 CAP[5]）到深度学习时代的主流方法，似乎已经接近天花板。但实际落地时，龙哥发现两个顽疾始终没被彻底打败：一是浓雾区域高频细节（纹理、边缘）几乎被“抹平”，恢复结果总是软绵绵的；二是物理散射模型（大气散射模型）的参数估计不准，导致颜色偏色或伪影。学术界和工业界都在问：能不能在保留物理可解释性的同时，把丢失的细节真正“补”回来？
Fi-Gaussian 给出的答案是：把现在火得一塌糊涂的 3D高斯泼溅（3D Gaussian Splatting, 3DGS） 改造一番，从显式的3D点云渲染变成 隐式的2D特征域连续表示。简单说，它不依赖任何三维信息，而是在二维特征空间里用一组“隐式高斯核”对图像分布进行建模，专门在频域里做文章——因为雾对高频的衰减最严重，所以把高低频拆开，分别用复值权重（complex-valued weights）动态聚合，把丢失的纹理一点点“算”回来。这个思路，龙哥看了觉得挺巧妙。
从整体架构上看，Fi-Gaussian采用非对称的编码器-解码器结构。输入雾图先经过一个初始卷积层提取浅层特征，然后通过4个下采样阶段逐步扩大感受野，在每个尺度上堆叠了物理驱动的散射重归一化模块（SRB）。瓶颈层最深，交替放置频率感知隐式高斯泼溅模块（Fi-GS）和SRB模块。解码器则用上采样+密集特征融合（包含通道注意力）逐步恢复空间分辨率，最后通过全局残差连接与原始输入相加，让网络专心学习残差雾层。
图1：Fi-Gaussian整体架构
图1：Fi-Gaussian整体架构。主要由频率感知隐式高斯泼溅模块（Fi-GS）和物理驱动散射重归一化模块（SRB）组成。SRB模块在物理先验下估计散射参数，Fi-GS模块在频域使用复值权重隐式解耦并动态聚合高低频特征，实现高保真细节重建。

核心模块揭秘：频率感知隐式高斯泼溅的原理与设计

要理解Fi-GS模块，得先搞明白一个理论基础：传统3DGS的核心是显式参数化一堆各向异性高斯椭球体，通过协方差矩阵和中心坐标在三维空间里渲染。但单张图像没有多视角几何约束，也没有3D点云初始化，所以这条路走不通。Fi-Gaussian另辟蹊径——利用傅里叶变换的数学性质：空间域的高斯卷积等价于频域的点乘。于是，不再需要显式计算高斯核的协方差矩阵，而是直接学习一组复值权重参数，在频域里模拟无穷多个高斯核的聚合效果。这种隐式表示天然具有全局感受野（因为频域每个点都包含空间全局信息），很适合处理非均匀的大范围雾分布。
具体的Fi-GS模块工作流程如下：首先，对输入特征图做二维实值快速傅里叶变换（2D RFFT），映射到复数频域。然后，构造一个动态遮罩，围绕频域中心（对应低频）分离出低频和高频成分。对分离后的两部分分别引入隐式高斯复值权重进行聚合——每个频率点都乘上一个可学习的复数标量（由实部和虚部拼接而成的张量参数化）。聚合完成后，用二维逆傅里叶变换（2D IRFFT）把修正后的频域表示映射回空间域，得到重建的低频和高频特征。为了避免频域变换造成局部空间连续性损失，还加入了一个并行的基于分组卷积的空间增强分支。最后，通过自适应门控机制融合低频、高频和空间特征：网络通过全局平均池化和MLP生成归一化的权重矩阵，对三个分支进行加权求和，再通过残差连接加到输入特征上。这样一来，网络可以根据不同区域（比如平滑的天空 vs 复杂的树叶边界）自动平衡频域和空间域处理。
龙哥小课堂：隐式高斯泼溅的创新点在于——把需要在3D空间计算的显式高斯核，巧妙地转换成了频域里的一组可学习复权重，彻底摆脱了对点云初始化和多视图的依赖，让高斯泼溅第一次能为单张图像去雾服务。
下图是Fi-Gaussian内部物理与频域工作机制的可视化，可以看到SRB估计的透射率图，以及Fi-GS模块解耦出的高低频特征。高频区域（纹理）和低频区域（结构）被清晰分离，隐式高斯聚合保留了丰富的细节。
图2：Fi-Gaussian内部物理与频域机制可视化
图2：(a)输入雾图；(b)最终去雾结果；(c)SRB模块估计的透射率图；(d)上下分别为Fi-GS模块解耦出的高频纹理与低频结构特征。可见隐式高斯聚合成功保留了高频细节，并增强了物理先验引导的可解释性。

物理驱动：散射重归一化模块如何提升去雾可解释性？

纯粹的数据驱动模型即使效果不错，也经常被诟病为“黑箱”——在域偏移下极易崩盘。为了给网络注入物理可解释性，Fi-Gaussian设计了物理驱动的散射重归一化模块（SRB），其核心是经典的大气散射模型：I(x) = J(x) T(x) + A (1-T(x))，其中I是观测雾图，J是清晰图，T是透射率，A是全局大气光。SRB模块没有直接在像素域套用公式，而是把这个模型映射到了特征空间。
具体流程：输入特征先经过一个CBAM注意力模块（卷积块注意力模块）增强重要通道和空间信息、抑制噪声。然后分出两个并行分支：一个用带空洞卷积（dilation=2）的模块预测多尺度透射率图，空洞卷积扩大感受野以捕获连续的深度变化；另一个分支通过自适应全局平均池化和全连接卷积层估计全局大气光。关键的创新在于：获取物理参数后，不是暴力地通过公式除法求J，而是引入Fi-GS模块作为隐式清晰先验生成器，产生一个降噪后的清晰特征先验Sprior。然后，根据物理模型改写为加权插值形式：Srenorm = Tfeat * Xatt + (1 - Tfeat) * Sprior。这个公式物理含义非常直观：当透射率接近1（无雾区域）时，网络信任原始特征；当透射率接近0（浓雾区域）时，网络完全依赖Fi-GS生成的清晰先验。这种物理引导的动态融合有效抑制了伪影和梯度爆炸。
SRB模块的消融实验（TABLE VI）也证实，去掉物理先验或直接使用公式除法都会导致PSNR和SSIM的明显下降，验证了重归一化机制的有效性。

效果说话：Fi-Gaussian在多个基准数据集上的SOTA表现

Fi-Gaussian在合成数据集SOTS、NID以及真实世界数据集RTTS、HAZE2020上进行了全面评测，并与当前最先进的十余种方法对比（包括FFA-Net, DehazeNet, AOD-Net, GridDehazeNet, MSBDN, etc.）。所有数据集采用9:1训练测试划分。

NID数据集结果（表Ⅰ）

表Ⅰ：NID数据集上的结果
表Ⅰ：Fi-Gaussian与SOTA方法在NID数据集上的定量结果。红色为最优，蓝色为次优。NID包含轻雾和浓雾子集，Fi-Gaussian在绝大多数指标上取得第一。

SOTS数据集结果（表Ⅱ）

表Ⅱ：SOTS数据集上的结果
表Ⅱ：在SOTS（室内+室外）上，Fi-Gaussian在所有指标上均获得最佳或次佳，尤其在PSNR和SSIM上领先。

真实世界数据集（RTTS, HAZE2020）结果（表Ⅲ）

表Ⅲ：RTTS和HAZE2020数据集上的结果
表Ⅲ：在无参考真实数据集上，Fi-Gaussian在NIQE指标上表现优异，表明其生成的图像自然度高、伪影少。
除了指标，视觉效果更是直观。下图展示在NID和SOTS上的去雾对比，Fi-Gaussian恢复了更清晰的纹理和更自然的颜色，尤其在高频细节（如树枝、文字、织物纹理）上明显优于其他方法。
图3：NID数据集上的视觉对比
图3：在NID数据集上，Fi-Gaussian与其他SOTA方法的视觉对比。Fi-Gaussian恢复了更清晰的细节和更准确的色彩。
图4：SOTS数据集上的视觉对比
图4：在SOTS数据集上的视觉对比，Fi-Gaussian在近景和远景细节上都表现突出。
图5：SOTS数据集上的细节对比
图5：SOTS数据集上的细节对比，红色框内区域放大显示。Fi-Gaussian的纹理锐利度远超其他方法。
消融实验（表Ⅳ、Ⅴ、Ⅵ、Ⅶ）进一步验证了每个组件的必要性：去掉Fi-GS模块或SRB模块后，指标显著下降；频域分解、复值权重、门控融合、各种损失函数（L1+L2、SSIM、频域一致性、边缘梯度、颜色一致性、对比损失）都贡献了可测量的提升。
表Ⅳ：核心组件消融实验
表Ⅳ：核心组件消融，完整Fi-Gaussian达到最优，移除Fi-GS或SRB后性能下降明显。
表Ⅵ：SRB模块消融
表Ⅵ：SRB模块内部设计的消融，验证了物理先验和重归一化机制的关键作用。
表Ⅶ：不同损失函数组合消融
表Ⅶ：不同损失函数组合的消融，多级联合损失（像素+结构+频域+边缘+颜色+对比度）效果最佳。

总结与展望：隐式高斯泼溅在低级视觉任务中的潜力

Fi-Gaussian通过将高斯泼溅从显式3D渲染引入隐式2D频率域特征聚合，为单张图像去雾开辟了新路径。核心贡献三点：一是首次将高斯泼溅用于单图去雾，且不依赖点云；二是设计了频域解耦+复值权重动态聚合的Fi-GS模块，有效解决了高频细节丢失；三是融入了物理散射重归一化，增强了可解释性和泛化能力。在多个基准上全面达到SOTA，定量和视觉效果俱佳。
展望未来，隐式高斯泼溅的潜力远不止去雾。文中提到的相关工作已经将其扩展到超分辨率、低光增强、图像压缩等任务。龙哥认为，未来可以探索将频域隐式高斯表示与更复杂的退化模型（如雨、雪、沙尘）结合，甚至推广到视频去雾或多模态融合。不过目前方法仍有提升空间：比如对极其浓雾场景的鲁棒性、计算效率（虽然使用了RFFT降低复杂度，但实时性仍需验证），以及跨域泛化能力。期待后续工作能进一步完善这一新颖范式。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

Q1: 这篇论文解决什么问题？A: 主要解决单张图像去雾中的两个关键难题：一是浓雾导致的高频细节（纹理、边缘）严重丢失，恢复结果模糊；二是现有方法对物理散射模型参数（透射率和大气光）估计不准，导致颜色偏色或伪影。Fi-Gaussian通过隐式高斯泼溅在频域分支解耦高低频，并用物理驱动重归一化提升参数估计精度。

Q2: 文中提到的“隐式高斯泼溅”和传统3D高斯泼溅有什么区别？A: 传统3DGS是显式的：在三维空间定义一组各向异性高斯椭球体，通过协方差和中心坐标进行体积渲染。隐式高斯泼溅则是在二维特征域的频率空间里，通过学习复值权重来模拟无穷多个高斯核的聚合效果，不需要任何点云初始化，也不依赖三维几何，因此适合单张图像的逆问题。

Q3: 物理驱动散射重归一化模块（SRB）的核心创新在哪？A: 传统物理引导方法通常直接在像素域用公式除法求清晰图，容易在浓雾区导致梯度爆炸或噪声放大。SRB模块的巧妙之处在于：它先用Fi-GS模块生成一个清晰特征先验，然后通过一个加权插值公式Srenorm = Tfeat * Xatt + (1 - Tfeat) * Sprior 进行融合，当透射率低时更多依赖先验，物理意义明确且数值稳定。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★✰ 首次将高斯泼溅引入单图像去雾，用隐式频域表示替代显式3D渲染，思路新颖，在低频视觉领域开创了新方向。

实验合理度：★★★★★ 在多个主流基准（SOTS、NID、RTTS、HAZE2020）上全面测评，对比方法覆盖经典和最新SOTA，消融实验详尽，结果可信度高。

学术研究价值：★★★★✰ 为高斯泼溅在低级视觉任务中的应用提供了重要的技术路径，对后续的图像恢复、超分辨率等工作具有很好的启发意义。

稳定性：★★★✰✰ 在合成数据集上效果惊艳，但真实世界非均匀浓雾场景中的鲁棒性需进一步验证，实际产品落地可能还面临挑战。

适应性以及泛化能力：★★★★✰ 在多个不同类型的数据集上均取得SOTA，体现了较强的泛化性，但对极端天气（如暴雨、沙尘）的适配性未做测试。

硬件需求及成本：★★★✰✰ 在RTX 3090上训练，使用RFFT降低了复杂度，但推理速度未公布，且对高分辨率图像可能仍有较大计算压力。

复现难度：★★★★✰ 论文给出了伪代码级别的细节，损失函数和模块设计描述清晰，但代码未开源（至少截至发表时），可能影响复现。

产品化成熟度：★★✰✰✰ 目前仍处于学术探索阶段，离车载或监控实时去雾还有距离，需要进一步轻量化优化。

可能的问题：论文中没有讨论在极端浓雾或夜间雾图上的表现，且对比方法未包含最新的扩散模型方法（如2025年的某些工作），可能会影响先进性判断。另外，隐式高斯聚合的可解释性仍有提升空间。


主要参考文献

[1] K. He, J. Sun, and X. Tang, “Single image haze removal using dark channel prior,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 33, no. 12, pp. 2341–2353, 2011. (DCP)
[2] B. Li et al., “Benchmarking single-image dehazing and beyond,” IEEE Trans. Image Process., vol. 28, no. 1, pp. 492–505, 2019. (RESIDE)
[3] B. Kerbl, G. Kopanas, T. Leimkühler, and G. Drettakis, “3D Gaussian splatting for real-time radiance field rendering,” ACM Trans. Graph., vol. 42, no. 4, 2023. (3DGS)
[4] J. Xu, Y. Wang, S. Hu, and X. Zhao, “GaussianImage: 2D Gaussian splatting for image representation,” in Proc. ECCV, 2024. (GaussianImage)
[5] Y. Chen et al., “Fi-Gaussian: Frequency-aware implicit Gaussian splatting for single image dehazing,” arXiv:2606.16168v1, 2026. (原文)

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！       

end
雾里看花水中望月，不如来龙哥群里“学”~ 图像去雾、自适应增强、超分妙招… 最新AI恢复黑科技，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
wechat_helper dianzan
转发文章 微博 X LinkedIn Facebook
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。